全 文 ：作物学报 ACTA AGRONOMICA SINICA 2014, 40(4): 657−666 http://zwxb.chinacrops.org/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家重点基础研究发展计划(973计划)项目(2009CB1184), 国家公益性行业(农业)科研专项经营项目(200803060, 201203026-4)
和江苏省优势学科建设工程专项和国家重点实验室自主课题资助。
* 通讯作者(Corresponding author): 盖钧镒, E-mail: sri@njau.edu.cn
第一作者联系方式: E-mail: aningspring@163.com (张宁); mtsdhzhq@163.com (齐波) **同等贡献(Contributed equally to this work)
Received(收稿日期): 2013-10-11; Accepted(接受日期): 2014-01-12; Published online(网络出版日期): 2014-02-14.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20140214.1019.014.html
DOI: 10.3724/SP.J.1006.2014.00657
应用主动传感器 GreenSeeker估测大豆籽粒产量
张 宁 1,** 齐 波 1,** 赵晋铭 1 张小燕 2 王素阁 2 赵团结 1 盖钧镒 1,*
1 南京农业大学大豆研究所 / 国家大豆改良中心 / 农业部大豆生物学与遗传育种重点实验室(综合) / 作物遗传与种质创新国家重点
实验室, 江苏南京 210095; 2 圣丰种业院士工作站, 山东济宁 272000
摘 要: 主动遥感技术可以方便、快捷、无损伤性地监测大豆生长。以黄淮海地区圣丰种业 2011 年和 2012 年大豆
育种品系和重组自交家系(NJRIKY)共 1272个家系为材料, 分组设置试验, 分别采用随机区组、重复内分组以及格子
设计, 重复 3 次, 使用主动传感器 GreenSeeker 监测苗期、开花期、结荚期和鼓粒期冠层反射光谱, 获得冠层归一化
植被指数(NDVI), 搜索大豆冠层 NDVI与产量的共变化规律, 建立产量估算模型。结果表明, 大豆冠层 NDVI随生育
期的推进呈“低—高—低”变化趋势; 基于单一生育期冠层 NDVI 建立的产量估测模型大多为简单线性回归, 鼓粒期
效果最好 ; 基于多生育期冠层 NDVI 建立的产量估测模型中 , 由育种家系试验建立的大豆产量最佳估测模型
( 31 2 1.46.9 4.1 4.3=e xx xy +− + )的决定系数(R2)可达到 0.66; 用此模型对 NJRIKY 估产, 与实际产量的符合度可达 0.59。所建
模型具有一定的预测效果, 在规模化育种中可用于育种中期无重复试验的产量预测和初步选择。
关键词: 大豆; 产量; 归一化植被指数; 主动传感器; 遥感估测
Prediction for Soybean Grain Yield Using Active Sensor GreenSeeker
ZHANG Ning1,**, QI Bo1,**, ZHAO Jin-Ming1, ZHANG Xiao-Yan2, WANG Su-Ge2, ZHAO Tuan-Jie1, and
GAI Jun-Yi1,*
1 Soybean Research Institute / National Center for Soybean Improvement / Key Laboratory for Biology and Genetic Improvement of Soybean (Gene-
ral), Ministry of Agriculture / National Key Laboratory of Crop Genetics and Germplasm Enhancement, Nanjing Agricultural University, Nanjing
210095, China; 2 Shofine Academician Workstation, Jining 272000, China
Abstract: Active remote sensing can be used to monitor soybean growth with a convenient, fast and nondestructive technology.
At Shofine Academician Workstation, a total of 1272 soybean lines, including breeding lines and recombinant inbred lines
(NJRIKY), were grouped and tested in random complete block, block in replication or lattice design with three replicates in 2011
and 2012, respectively. Using active remote sensor GreenSeeker, the canopy NDVI (normalized difference vegetation index) was
measured at seedling, flowering, podding and seed-filling stages, from which the yield prediction models depending on NDVI
measurements were established and analyzed. The results showed that the soybean canopy NDVI presented a low-high-low
changing trend from the early to the late stages. Among the single stage prediction models for yield, that for seed-filling stage was
the best with higher coefficient of determination and lower standard errors. However, for a precise prediction, the regression of
yield on NDVI at multiple stages was better than the others. Among which, the yield prediction model constructed from NDVI at
flowering, podding and seed-filling stages of all breeding lines was the best one ( 31 2 1.46.9 4.1 4.3=e xx xy +− + ) with R2 = 0.66. Using
this model to predict the NJRIKY lines, the coincidence between the measured and predicted values was 0.59. This model can be
used at the middle stage of breeding programs for yield prediction of the breeding lines without replicated yield test.
Keywords: Soybean; Yield; NDVI; Active sensor; Remote sensing prediction
658 作 物 学 报 第 40卷


大豆在粮食作物构成和油料作物生产中占有重
要地位[1-3]。大豆产量是遗传、环境及栽培措施共同
作用的结果, 产量性状的选择具有不确定性。大豆
育种中选择产量性状是关键, 传统的直接测产方式
耗费大量的人力、物力和财力, 规模化育种中, 快速
预测田间成千上万个小区的产量, 可以帮助提高育
种效率。
遥感技术提供了简单、快速、无损伤地监测作
物生长和产量估测的有效途径[4]。其中, 地面传感器
可以获取作物特征波段光谱反射率并构建植被指数,
已经成功地反演作物生物量、氮含量和产量等[5-10]。
吴琼等[10]报道了高光谱遥感对大豆冠层生长监测和
产量估测有相对可行性。地面传感器按照光源类型
可分为被动和主动两种, 前者依赖于太阳辐射, 易
受外界天气的影响, 其应用具有一定的时间局限性,
而后者不受太阳辐射变化的影响, 因其方便、快捷、
成本低而在作物生长监测和产量估测上广泛应用 ,
其中, 主动传感器GreenSeeker是由美国俄克拉荷马
大学与 Ntech 公司联合开发的一种便携式光谱仪,
通过红光(656 nm)和近红外(774 nm)的反射率获得
归一化植被指数 (normalized difference vegetation
index, NDVI)和比值植被指数(ratio vegetation index,
RVI)。实际应用中常常采用植被指数作为评价作物
生长状况的标准, NDVI是应用最为广泛的植被光谱
指数之一[11-12], 它是利用绿色植物对红光的低反射
率和对近红外光的高反射率的光谱特征值计算的植
被指数, 能很好地反映绿色植被的生长情况、营养
状况、潜在产量与病虫害影响。
近年来 , 国内外关于应用主动传感器 Green-
Seeker 对作物生长指标和产量潜力的研究很多, 已
经在小麦、玉米等作物产量估测方面取得一定进
展 [13-17]。Erdle等[18]研究发现主动传感器在监测作物
生长参数上具有灵活、不受时间和天气条件限制的
优点。Raun等[19]利用主动传感器估测大面积种植的
小麦产量, 结合 2 年的田间数据建立了精确度较高
的冬小麦产量估测模型。 Thomason 等 [20]利用
GreenSeeker 光谱仪确定了影响玉米产量的敏感生
育期, 并以此指导玉米实际生产。Inman等[21]研究发
现玉米八叶期冠层 NDVI 与产量呈极显著正相关,
因此可在该时期利用 NDVI 值估测其产量。另外,
Phillips等[22]研究表明 NDVI比 RVI能更好地进行小
麦产量的估测。目前 , 关于以主动传感器 Green-
Seeker估测大豆产量的研究鲜有报道。
本研究以 2011—2012年黄淮海地区大豆育种品
系和重组自交家系群体(NJRIKY)共 1272 份材料为
研究对象, 采用GreenSeeker测定生育关键时期冠层
NDVI, 探讨大豆产量与 NDVI 之间的关系, 解析大
豆冠层 NDVI 变化的规律, 选择产量估测的最佳生
育期 , 确定基于冠层 NDVI 的产量最佳估测模型 ,
期望能够应用于大豆育种中期无重复试验时的产量
选择, 提高效率, 缩短周期。
1 材料与方法
1.1 试验材料
选取圣丰种业黄淮海地区大豆育种品系和重组
自交家系群体(NJRIKY)两类试验材料, 供试材料具
有大幅度遗传差异, 以保证所建模型具有较广的适
用范围。所选黄淮海地区大豆育种品系材料包括 :
试验 I, 2011年黄淮海地区大豆育种品系材料 240份,
生育期变化在 93.0~117.0 d。试验 II, 2012年品系比
较试验, 黄淮海地区 3 组育种品系材料, 其中, 1 组
共 42份材料, 生育期变化在 95.7~113.7 d; 2组共 100
份材料, 生育期变异范围是 94.0~109.0 d; 3组共 63
份材料, 生育期变化在 96.0~111.0 d。试验 III, 2012
年品系鉴定试验, 黄淮海地区两组育种材料, 其中 1
组共 339份材料, 生育期变化在 94.0~117.0 d; 2组共
42 份材料, 生育期变化在 96.7~115.7 d。试验 IV,
2012 年山东省区域试验, 代表黄淮海地区大豆高产
育种优系, 共有 29 份材料, 生育期变化在 100.0~
114.0 d。
另外 , 试验 V, 2012 年重组自交家系群体
(NJRIKY)生育期的变化在 92.0~114.0 d, 该群体的
母本科丰 1 号是我国北方大豆品种, 植株较矮小,
产量、生物量较低; 父本南农 1138-2 是南方生产推
广品种, 植株相对较高, 产量、生物量等也较高, 与
母本在地理来源、农艺性状上有较大差异。二者杂
交衍生的重组自交家系群体 (NJRIKY), 家系间产
量、生物量、叶部性状等均有较宽的变异。
1.2 试验设计
2011—2012 年在山东圣丰院士工作站进行大豆
田间试验。
试验 I 为 2011 年的品系鉴定试验, 分 4 组, 每
组 60份材料。均采用随机区组设计, 重复 3次。每
小区 4行, 行距 40 cm, 小区面积 1.6 m×5.0 m, 以中
间 2行的中间 3 m计产, 实收面积 2.4 m2。
试验 II为 2012年的品系比较试验(1组、2组和
3组), 均采用重复内分组设计, 重复 3次。每小区 5
行, 行距 50 cm, 小区面积 2.5 m × 5.0 m, 以中间 3
第 4期 张 宁等: 应用主动传感器 GreenSeeker估测大豆籽粒产量 659


行的中间 3 m计产, 实收面积 4.5 m2。
试验 III为 2012年的品系鉴定试验(1组和 2组),
均采用重复内分组设计, 重复 3次。每小区 4行, 行
距 50 cm, 小区面积 2 m × 5 m, 以中间 2行的中间
3 m计产, 实收面积 3 m2。
试验 IV 为 2012 年的山东省大豆区域试验, 采
用随机区组设计, 重复 3次。每小区 6行, 行距 50 cm,
小区面积3 m × 5 m, 以中间4行计产, 实收面积10 m2。
试验 V为 2012年的 NJRIKY群体试验, 采用格
子设计, 重复 3次。每小区 5行, 行距 50 cm, 小区面
积为 2.5 m × 2.0 m, 以中间 3行计产, 实收面积 3 m2。
1.3 数据获取
利用GreenSeeker分别在大豆苗期、开花期、结
荚期和鼓粒期测定冠层NDVI。选择晴朗无风、风速
较小或微风的天气, 在叶片露水消退后, 将主动传
感器探头始终平行于大豆冠层, 垂直高度约60 cm,
以小区的中间行为采样点, 沿行向保持匀速行进测
定大豆冠层NDVI值和RVI值。其中, 选择2012年重
组自交家系试验作为验证数据。
NIR RED
NIR RED
R R
NDVI
R R
−= +
NIR
RED
R
RVI
R
=
式中 , RNIR为近红外光特征波长处(774 nm)的植被
反射率 ; RRED表示红光特征波长处(656 nm)的植被
反射率。大豆成熟后 , 收获晒干至恒重时 , 称取大
豆产量。
1.4 数据处理
利用 Microsoft Excel 2010整理数据, 并基于 R
平台(R Core Team, 2013)进行方差分析和回归分析。
分析结果表明, 基于大豆冠层 NDVI 和 RVI 所建估
产模型中, NDVI 的效果均优于 RVI, 因此本研究主
要探讨利用冠层 NDVI 估测大豆产量。对一组数据
建立回归模型时, 模型的适合程度用决定系数表示
(估计值和实验值间相关系数平方值); 用一组数据
的模型去预测另一组数据的结果时将估计值和实验
值间相关系数平方值称为符合度。
2 结果与分析
2.1 大豆各组试验材料产量的变异
由表 1可以看出, 2011年大豆产量比 2012年略
低, 且 2011 年大豆产量变幅较大。其中, 试验 I-2
组变幅为 750.0~2666.7 kg hm–2, 变异系数(CV)最大
(0.20), 说明试验 I 不同大豆材料间产量变异幅度均
较大。试验 II为 2012年品系比较试验, 试验材料均
是代表黄淮海育种改良要求的不同熟期组的大豆材
料, 其中 II-1组大豆产量变幅为 2568.9~4456.3 kg hm–2,
变异系数 (CV)为 0.10, II-2 组大豆产量变幅为
2745.2~4020.7 kg hm–2, 变异系数(CV)为 0.07, II-3
组大豆产量变幅为 2542.2~4367.4 kg hm–2, 变异系
数(CV)为 0.11; 试验 III 与试验 I 为不同年份的品系
鉴定试验, 与 2011年品系鉴定试验相比, 2012年品
系鉴定试验的大豆产量水平相对较高。试验 IV 为
2012 年山东省区域试验 , 参试材料均是选拔出
的山东省高产高抗品系 , 其产量变幅为 2685.3~
4396.0 kg hm–2, 大豆产量均值较大(3789.1 kg hm–2),
变异系数(CV)较小(0.12), 说明参试材料集中代表了
山东省大豆高产育种的成果。试验 V为 2012年重组

表 1 大豆产量的次数分布和变异
Table 1 Frequency distribution and variation of yield in soybean
试验组 组限 Class limit (kg hm–2)
Exp.
group
<1300
1300–
1600
1600–
1900
1900–
2200
2200–
2500
2500–
2800
2800–
3100
3100–
3400
3400–
3700
3700–
4000
>4000 ∑f
变异范围
Range
均值
Mean
变异系数
CV
P (>F)
I-1 3 3 4 21 20 9 60 1166.6–2791.7 2136.1 0.16 9.11E–14**
I-2 2 9 6 13 19 11 60 750.0–2666.7 2093.8 0.20 7.01E–11**
I-3 2 2 9 16 20 8 3 60 1208.3–2958.3 2174.3 0.17 3.62E–09**
I-4 1 6 14 16 16 6 1 60 833.4–2875.1 2047.2 0.19 2.62E–11**
II-1 3 2 11 18 5 3 42 2568.9–4456.3 3466.8 0.10 2.05E–07**
II-2 1 6 32 41 18 2 100 2745.2–4020.7 3472.4 0.07 0.0001**
II-3 3 4 18 26 6 6 63 2542.2–4367.4 3481.5 0.11 3.66E–07**
III-1 3 16 67 144 86 20 3 339 2261.1–4097.9 3282.6 0.09 3.79E–09**
III-2 6 7 15 7 6 1 42 2282.2–3701.1 2975.7 0.13 0.0026**
IV 1 1 4 6 7 10 29 2685.3–4396.0 3789.1 0.12 6.85E–23**
V 3 17 51 87 100 86 53 20 417 1730.0–4613.3 3242.9 0.14 3.32E–35**
*表示在 0.05水平差异显著; **表示在 0.01水平差异极显著。* Significant at 0.05 probability level; ** Significant at 0.01 probability level.
660 作 物 学 报 第 40卷


表 2 大豆冠层 NDVI的分布和变异
Table 2 Frequency distribution and variation of soybean canopy NDVI
组限 Class limit
0.49
–
0.51
–
0.53
–
0.55
–
0.57
–
0.59
–
0.61
–
0.63
–
0.65
–
0.67
–
0.69
–
0.71
–
0.73
–
0.75
–
0.77
–
0.79
–
0.81
–
0.83
–
生育期
Growth
stage
<0.49
0.51 0.53 0.55 0.57 0.59 0.61 0.63 0.65 0.67 0.69 0.71 0.73 0.75 0.77 0.79 0.81 0.83 0.85
>0.85 ∑f
变异范围
Range
均值
Mean
变异
系数
CV
I-1
开花期 FS 6 41 13 60 0.80–0.84 0.82 0.01
结荚期 PS 1 2 6 30 19 2 60 0.69–0.84 0.80 0.03
鼓粒期 SFS 16 1 4 4 4 2 3 4 3 3 5 4 4 2 1 60 0.13–0.76 0.55 0.29
I-2
开花期 FS 1 4 10 38 7 60 0.76–0.84 0.81 0.02
结荚期 PS 2 1 29 20 7 1 60 0.74–0.83 0.79 0.02
鼓粒期 SFS 24 3 4 3 1 1 4 2 0 2 2 0 2 6 3 2 59 0.16–0.78 0.53 0.28
I-3
开花期 FS 1 4 33 22 60 0.78–0.84 0.83 0.01
结荚期 PS 1 3 31 24 1 60 0.71–0.81 0.79 0.02
鼓粒期 SFS 3 1 3 4 1 3 4 14 6 9 8 1 57 0.21–0.75 0.66 0.14
I-4
开花期 FS 3 42 15 60 0.82–0.86 0.84 0.01
结荚期 PS 8 38 14 60 0.75–0.81 0.78 0.02
鼓粒期 SS 4 2 4 1 3 3 3 4 2 4 4 2 12 7 3 2 60 0.42–0.80 0.67 0.15
II-1
苗期 SS 1 1 3 2 4 7 10 10 3 1 42 0.58–0.79 0.73 0.06
开花期 FS 2 13 27 42 0.79–0.83 0.81 0.01
结荚期 PS 8 30 4 42 0.77–0.82 0.80 0.01
鼓粒期 SFS 2 2 1 1 1 1 5 6 3 12 5 2 1 42 0.42–0.81 0.68 0.13
II-2
苗期 SS 1 2 2 6 8 14 15 25 15 8 4 100 0.57–0.79 0.70 0.06
开花期 FS 1 1 3 49 46 100 0.73–0.81 0.79 0.01
结荚期 PS 15 71 14 100 0.77–0.82 0.80 0.01
鼓粒期 SFS 1 1 1 3 7 13 17 17 15 21 3 99 0.56–0.81 0.73 0.06
II-3
苗期 SS 1 1 8 24 18 11 63 0.69–0.79 0.75 0.02
开花期 FS 2 48 13 63 0.79–0.82 0.80 0.01
结荚期 PS 2 30 29 1 62 0.76–0.81 0.79 0.01
鼓粒期 SFS 1 1 1 1 1 3 3 10 24 18 63 0.40–0.78 0.74 0.08
III-1
苗期 SS 0 1 2 4 4 10 13 24 39 55 54 52 44 19 16 2 339 0.51–0.78 0.67 0.07
开花期 FS 2 12 87 212 26 339 0.73–0.82 0.79 0.02
结荚期 PS 52 240 47 339 0.77–0.82 0.80 0.01
鼓粒期 SFS 1 2 2 7 24 48 116 121 18 339 0.67–0.82 0.78 0.03
III-2
开花期 FS 1 1 5 10 23 2 42 0.69–0.81 0.78 0.03
结荚期 PS 1 2 21 18 42 0.75–0.81 0.79 0.01
鼓粒期 SFS 1 16 20 5 42 0.74–0.81 0.78 0.02
IV
苗期 SS 1 4 3 8 11 2 29 0.64–0.78 0.74 0.04
开花期 FS 5 23 1 29 0.80–0.83 0.82 0.01
结荚期 PS 2 25 2 29 0.75–0.80 0.78 0.01
鼓粒期 SFS 1 5 5 14 1 3 29 0.67–0.78 0.73 0.04
V
苗期 SS 389 14 10 2 1 1 417 0.27–0.58 0.41 0.14
开花期 FS 2 1 6 79 288 41 417 0.73–0.82 0.80 0.01
结荚期 PS 1 1 2 8 48 178 162 17 417 0.69–0.84 0.81 0.02
鼓粒期 SFS 1 2 3 1 7 7 9 8 25 70 179 101 4 417 0.58–0.81 0.77 0.05
FS: flowering stage; PS: podding stage; SFS: seed-filling stage; SS: seeding stage.
第 4期 张 宁等: 应用主动传感器 GreenSeeker估测大豆籽粒产量 661


自交家系群体试验 , 大豆产量变幅为 1730.0~
4613.3 kg hm–2, 变异系数(CV)为 0.14, 说明家系间
的材料有比较宽的变异。
通过对 2011 年和 2012 年的 5 个试验的产量进
行方差分析, 11组不同试验大豆材料间的产量均存
在极显著差异(P < 0.01), 说明不同试验内的材料间
均存在显著差异, 适合进行估产建模的研究。
2.2 不同生育期大豆冠层 NDVI的变化
冠层 NDVI 与大豆植株生长状况密切相关, 由
表 2可以看出, 不同大豆材料苗期NDVI偏低, 与开
花期和结荚期相比, 苗期冠层 NDVI变异幅度较大。
其中, 试验 V 为 NJRIKY 群体试验, 不同材料间生
长差异变化较大, 冠层 NDVI 变异幅度最大(0.27~
0.58), 变异系数(CV)为 0.14; 试验 II-3组冠层 NDVI
变幅最小(0.69~0.79), 变异系数(CV)为 0.02。开花期
大豆生物量显著增加, 冠层 NDVI 明显增大, 不同
试验的冠层 NDVI平均值约为 0.8, 最大的 NDVI可
达 0.84, 但该时期冠层 NDVI 变异幅度较小。其中,
试验 III-2 组冠层 NDVI 变幅(0.69~0.81)最大, 变异
系数(CV)相对最大, 但仅有 0.03。从开花期到结荚期
植株群体结构变化不大, 与开花期相比, 大豆结荚
期冠层NDVI变异不大, 不同试验的冠层NDVI也维
持在较高水平, 结荚期 NDVI变异幅度也相对较小。
随着生育期的推移, 大豆鼓粒期冠层 NDVI 变化明
显。其中, 试验 I-1组冠层NDVI变幅最大(0.13~0.76),
变异系数 (CV)高达 0.29; 试验 III-2 组变幅最小
(0.74~0.81), 变异系数最小(CV=0.02), 说明从鼓粒
期开始, 植株生长变化差异显著。不同大豆试验材料
冠层 NDVI 随生育期的推进均呈“低–高–低”趋势变
化。苗期NDVI整体偏低, 开花期与结荚期冠层NDVI
维持在较高水平, 鼓粒期冠层 NDVI开始下降。
2.3 基于单一生育期冠层 NDVI的大豆产量估测
将单一生育期冠层 NDVI 作为自变量, 以大豆
产量为因变量, 通过回归分析, 筛选出基于不同生
育期 NDVI的大豆产量估测的最佳模型(表 3)。由表
3可以看出, 基于不同生育期NDVI所建立的回归模
型均达到显著(P<0.05)或极显著水平(P<0.01), 说明
总体中存在着线性或非线性的回归关系, 其中所建
模型以线性关系为主。进一步比较 4 个大豆试验在
不同生育期所建估产模型的决定系数(R2)和标准误
(SE)发现, 利用冠层 NDVI 所建估产模型的决定系
数(R2)均随生育期的推进而不断增大 , 其中在鼓粒
期所建模型的决定系数(R2)最大, 明显地高于苗期、
开花期和结荚期, 且该时期模型的标准误(SE)最小,
明显地低于其他生育期 , 表明基于鼓粒期冠层
NDVI 建立的模型决定度较好, 说明大豆鼓粒期是
利用主动传感器进行产量估测的最佳生育期。
综合比较不同生育期大豆冠层 NDVI 所建产量
模型, 发现试验 II-1 组基于鼓粒期冠层 NDVI 所建
模型(y = 1174.7+3395.1x)决定系数最好, 所建模型
可以估测产量的变异范围是 2568.9~4456.3 kg hm–2,
生育期变异范围是95.7~113.7 d, 该模型的预测精度较
高(R2 = 0.68), 且该模型的标准误较小(SE = 203.38)。
2.4 基于多生育期冠层 NDVI的大豆产量估测
进一步分析多个生育期大豆冠层 NDVI 与产量
的多元回归关系, 然后筛选出大豆产量估测最佳回
归模型(表 4和表 5)。由表 4可以看出, 基于结荚期
和鼓粒期两个时期冠层 NDVI 建立的大豆估产模型
均达到极显著水平(P < 0.01), 说明总体中存在着线
性或非线性的回归关系; 同时对所建模型进行参数
的显著性检验, 4个试验 10组材料的决定系数为 0.45~
0.69, 其中试验 II-1 组基于结荚期和鼓粒期冠层
NDVI所建模型(y = 6534.3–7484.4x2+4319.5x3)的决
定系数(R2 = 0.69)最大, 且标准误(SE = 199.71)较小,
模型的拟合效果相对较好。
根据大豆结荚期和鼓粒期2个生育期冠层 NDVI
构建估产模型的决定系数有所提高, 但提高幅度不
大。因此, 进一步用开花期、结荚期和鼓粒期3个生
育期的冠层 NDVI来构建大豆估产模型。由表5可以
看出, 基于开花期、结荚期和鼓粒期3个生育期冠层
NDVI 建立的大豆估产模型均达到极显著水平(P <
0.01), 同时对所建模型进行参数的显著性检验, 4个
试验10组材料的决定系数为0.58~0.86, 比结荚期和
鼓粒期2个时期的预测效果又有提高。其中, 试验
III-1组所建模型 y = 2484.5–45760.4x1+25691.7x2+
21285.4x3效果最好(R2 = 0.86, SE = 110.89), 可以估
测的产量变异范围是2261.1~4097.9 kg hm–2, 生育
期变异范围是94.0~117.0 d。
为进一步探索估产模型的普适性, 将试验材料
汇总为育种品系和 NJRIKY 群体两大类, 探索产量
变异幅度更广的大豆估产模型(表 6)。由表 6可以看
出, 基于结荚期和鼓粒期 2 个生育期冠层 NDVI 所
建估产模型最高的决定系数仅为 0.57。但基于开花
期、结荚期和鼓粒期 3 个生育期冠层 NDVI 建立的
大豆估产模型均达到极显著水平(P < 0.01), 并且所
建模型的回归参数均达到极显著水平(P < 0.01)。其
662 作 物 学 报 第 40卷


表 3 大豆不同生育期冠层 NDVI和产量的回归方程
Table 3 Regression equations of yield to NDVI at different growth stages in soybean
模型参数检验 Parameter test 试验组
Exp. group
生育期
Growth stage
回归方程
Regression equation
模型检验
Model test x 截距 Intercept
R2 SE
开花期 FS y = –15514.1+21465.1x P<0.01 21465.1** –15514.1** 0.31 287.46
结荚期 PS y = –7123.3+11544.3x P<0.01 11544.3** –7123.3** 0.47 252.35
I-1

鼓粒期 SFS y = 1168.9+1746.4x P<0.01 1746.4** 1168.9** 0.62 217.59
开花期 FS y = –11679.4+16906.0x P<0.01 16906.0** –11679.4** 0.36 344.38
结荚期 PS y = –12079.4+17945.1x P<0.01 17945.1** –12079.4** 0.45 321.58
I-2

鼓粒期 SFS y = 970.7+2114.3x P<0.01 2114.3** 970.7** 0.55 279.49
开花期 FS y = –11258.2+16274.5x P<0.01 16274.5** –11258.2** 0.27 320.77
结荚期 PS y = 5.1e7.7x P<0.01 7.7** 5.1** 0.42 284.95
I-3

鼓粒期 SFS y = –498.9+4001.2x P<0.01 4001.2** –498.9** 0.52 266.72
开花期 FS y = 21236.6+27600.3x P<0.01 27600.3** 21236.6** 0.32 323.90
结荚期 PS y = –15619.6+22573.8x P<0.01 22573.8** –15619.6** 0.48 282.84
I-4

鼓粒期 SFS y = –64.8+3171.9x P<0.01 3171.9** –64.8 0.64 237.91
苗期 SS y = 1229.3+3082.9x P<0.05 3082.9 1229.3** 0.14 332.46
开花期 FS y = –12401.8+19527.6x P<0.01 19527.6** –12401.8** 0.29 302.85
结荚期 PS y = –13300.2+20971.9x P<0.01 20971.9** –13300.2** 0.49 257.19
II-1

鼓粒期 SFS y = 1174.7+3395.1x P<0.01 3395.1** 1174.7** 0.68 203.38
苗期 SS y = 1625.1+2624.7x P<0.01 2624.7** 1625.1** 0.20 221.99
开花期 FS y = –5837.5+11836.4x P<0.01 11836.4** –5837.5** 0.30 206.72
结荚期 PS y = –10289.1+17214.3x P<0.01 17214.3** –10289.1** 0.47 179.67
II-2

鼓粒期 SFS y = 47.0+4675.1x P<0.01 4675.1** 47.0 0.66 144.91
苗期 SS y = –1060.3+6061.7x P<0.01 6061.7** –1060.3 0.11 349.93
开花期 FS y = –21653.0+31288.3x P<0.01 31288.3** –21653.0** 0.33 304.83
结荚期 PS y = –15152.8+23621.6x P<0.01 23621.6** –15152.8** 0.43 282.55
II-3

鼓粒期 SFS y = 689.6e2.2x P<0.01 689.6** 2.2** 0.53 258.97
苗期 SS y = 1771.9+2243.0x P<0.01 2243.0** 1771.9** 0.15 270.33
开花期 FS y = –6593.8+12427.0x P<0.01 12427.0** –6593.8** 0.27 249.50
结荚期 PS y = –12463.6+19686.4x P<0.01 19686.4** –12463.6** 0.41 223.72
III-1

鼓粒期 SFS y = –3854.5+9142.2x P<0.01 9142.2** –3854.5** 0.57 192.62
开花期 FS y = 8197.0+14189.5x P<0.01 14189.5** 8197.0** 0.38 308.00
结荚期 PS y = –14524.3+22228.5x P<0.01 22228.5** –14524.3** 0.45 287.23
III-2

鼓粒期 SFS y = –13594.5+21378.9x P<0.01 21378.9** –13594.5** 0.65 229.00
IV 苗期 SS y = –867.6+6304.7x P<0.05 6304.7** –867.6 0.17 406.15
开花期 FS y = –17864.5+26514.3x P<0.01 26514.3** –17864.5** 0.32 368.48
结荚期 PS y = –30275.2+43609.8x P<0.01 43587.4** –30275.2** 0.46 319.54
鼓粒期 SFS y = –6019.4+13395.3x P<0.01 13395.3** –6019.4** 0.62 273.49
V 苗期 SS y = 1866.3+3408.8x P<0.01 3408.8** 1866.3** 0.18 421.68
开花期 FS y = –12942.6+20323.5x P<0.01 20323.5** –12942.6** 0.28 393.43
结荚期 PS y = –10891.5+17560.2x P<0.01 17560.2** –10891.5** 0.44 347.07

鼓粒期 SFS y = 38832.0–108362.4x +80560.9x2 P<0.01 –108362.4**
80560.9**
38832.0** 0.58 299.00
FS: flowering stage; PS: podding stage; SFS: seed-filling stage; SS: seeding stage.
第 4期 张 宁等: 应用主动传感器 GreenSeeker估测大豆籽粒产量 663


表 4 大豆结荚期和鼓粒期冠层 NDVI与产量的多元回归方程
Table 4 Multiple regression equations of yield to NDVI at podding and seed-filling stages in soybean
模型参数检验 Parameter test 试验组
Exp. group
回归方程
Regression equation
模型检验
Model test x2 x3 截距 Intercept
R2 SE
I-1 y = –2998.3+5502x2+1304.3x3 P<0.01 5502.0** 1304.3** –2998.3** 0.68 197.85
I-2 y = 14819.7–18604.9x2+3727.6x3 P<0.01 –18604.9** 3727.6** 14819.7** 0.59 265.82
I-3 y = 32 1.74.8 2.2e xx ++ P<0.01 2.2 1.7** 4.8** 0.58 258.98
I-4 y = 5908.2–844.6x2+4128x3 P<0.01 –844.6 4128.0** 5908.2 0.65 234.57
II-1 y = 6534.3–7484.4x2+4319.5x3 P<0.01 –7484.4 4319.5** 6534.3 0.69 199.71
II-2 y = 1450.1–2158.7x2+5115.2x3 P<0.01 –2158.7 5115.2** 1450.1 0.66 144.54
II-3 y = 2 35.7 1.3 1.8e x x+ + P<0.01 1.3 1.8** 5.7** 0.54 259.88
III-1 y = 2 39.2 6.7 5.4e x x− + P<0.01 –6.7** 5.4** 9.2** 0.64 176.60
III-2 y = –11436.0–9280.0x2+28019.0x3 P<0.01 –9280.0 28019.0 –11436.0** 0.66 224.01
IV y = –7657.0+4348.0x2+9390.0x3 P<0.01 4348.0 9390.0 –7657.0 0.45 341.67
V y = –8466.0+3422.0x2+13088.0x3 P<0.01 3422.0** 13088.0 –8466.0** 0.63 271.30
x2: 结荚期冠层 NDVI; x3: 鼓粒期冠层 NDVI。x2: NDVI at podding stage; x3: NDVI at seed-filling stage.

表 5 大豆多生育期冠层 NDVI与产量的多元回归方程
Table 5 Multiple regression equations of yield to NDVI at three growth stages in soybean
模型参数检验 Parameter test 试验组
Exp. group
回归方程
Regression equation
模型检验
Model test x1 x2 x3 截距 Intercept
R2 SE
I-1 y = –2611.5–754.5x1+5795.4x2+1301.2x3 P<0.01 –754.5 5795.4* 1301.2** –2611.5 0.68 201.52
I-2 y = 18915.1–11216.0x1–12455.4x2+4081.3x3 P<0.01 –11216.0 –12455.4 4081.3** 18915.1** 0.62 262.70
I-3 y = 2 36.6 6 1 6.2 1.7e x x x− + + P<0.01 –6.0** 6.2** 1.7** 6.6** 0.61 252.20
I-4 y = 32605.4–74750.3x1+37794.3x2+4390.0x3 P<0.01 –74750.3** 37794.3** 4390.0** 32605.4** 0.81 173.53
II-1 y = 8616.0–13460.3x1+3751.9x2+4131.5x3 P<0.01 –13460.3 3751.9 4131.5** 8616.0 0.71 196.40
II-2 y = 3708.9–20324.9x1+13558.9x2+6700.4x3 P<0.01 –20324.9** 13558.9** 6700.4** 3708.9* 0.79 114.92
II-3 y = –18803.4+16431.7x1+7887.5x2+3826.2x3 P<0.01 16431.7** 7887.5 3826.2* –18803.4** 0.58 249.02
III-1 y = 2484.5–45760.4x1+25691.7x2+21285.4x3 P<0.01 –45760.4** 25691.7** 21285.4** 2484.5* 0.86 110.89
III-2 y = –14364.7–7525.4x1–125.1x2+30120.0x3 P<0.01 –7525.4* –125.1 30120.0** –14364.7** 0.73 205.09
IV y = 16627.4–103548.6x1+84580.6x2+1319.6x3 P<0.01 –103548.6** 84580.6** 1319.6 16627.4** 0.76 225.05
V y = 6212.6–28034.0x1+5883.3x2+21685.2x3 P<0.01 –28034.0* 5883.3 21685.2** 6212.6 0.71 249.54
x1: 开花期冠层 NDVI; x2: 结荚期冠层 NDVI; x3: 鼓粒期冠层 NDVI。
x1: NDVI at flowering stage; x2: NDVI at podding stage; x3: NDVI at seed-filling stage.

中, 对于育种品系材料, 2011—2012 年两年的材料
基于开花期、结荚期和鼓粒期 3个生育期冠层 NDVI
所建的模型效果(y = 1 2 34.3 1.46.9 4.1e x xx + +− )较好(图 1), 该
模型决定系数(R2 = 0.66)较大, 所建模型可以估测产
量的变异范围是 750.0~4456.3 kg hm–2, 生育期变异
范围是 93.0~117.0 d; 对于 NJRIKY群体, 基于开花
期、结荚期和鼓粒期 3 个生育期冠层 NDVI 所建的
模型为 y = 1 2 325.8 0.912.7 32.7e x xx + +− , 该模型决定系数(R2 =
0.78)较大 , 所建模型可以估测产量的变异范围是
1730.0~4613.3 kg hm–2, 生育期变异范围是 92.0~114.0 d。
2.5 模型的相互验证
用 2年育种品系与 2012年 NJRIKY群体材料相
互验证 3 个生育期所建模型, 发现 2 年的大豆育种
品系材料所建估产模型 (y = 1 2 34.3 1.46.9 4.1e x xx + +− )对
NJRIKY 群体材料的产量效果预测较好(图 2), 产量
预测值与实测值之间的符合度可达到 0.59, 且标准
误较小(SE = 438.13), 反之, 预测效果较差。这说明
两年育种品系材料所建模型具有一定的预测性和适
用性, 而 NJRIKY 群体材料所建模型由于其产量变
异幅度小于两年育种品系材料, 具有特异性, 预测
效果不佳。
综合模型比较和验证分析结果, 发现 2011— 2012
年两年的育种品系材料基于开花期、结荚期和鼓粒期
3个生育期冠层NDVI所建的模型(y = 1 2 34.3 1.46.9 4.1e x xx + +− )
664 作 物 学 报 第 40卷


表 6 大豆多生育期冠层 NDVI与产量的多元回归方程
Table 6 Multiple regression equations of yield to NDVI at multiple growth stages in soybean
模型参数检验 Parameter test 试验材料
Exp. material
回归方程
Regression equation
模型检验
Model test x1 x2 x3 截距 Intercept
R2 SE
2011育种品系
Breeding lines in 2011
y = –5336.0+9401.0x2+1338.7x3 P<0.01 9401.0** 1338.7** –5336.0** 0.51 267.00
2012育种品系
Breeding lines in 2012
y = 2 34.9 4.0 0.1e x x+ + P<0.01 4.0** 0.1 4.9** 0.20 318.67
两年育种品系
All breeding lines
y = 2 35.2 2.0 1.7e x x+ + P<0.01 2.0** 1.7** 5.2** 0.57 448.95
NJRIKY y = –7657.0+4348.0x2+9390.0x3 P<0.01 4348.0 9390.0 –7657.0 0.45 341.67
2011育种品系
Breeding lines in 2011
y = 1 2 36.3 3.6 4.7e x x x− + + P<0.01 –3.6** 4.7** 1.0** 6.3** 0.56 259.20
2012育种品系
Breeding lines in 2012
y = 1 2 34.2 2.8 2 0.1e x x x+ + + P<0.01 2.8** 2.0** 0.1* 4.2** 0.31 293.93
两年育种品系
All breeding lines
y = 1 2 36.9 4.1 4.3 1.4e x x x− + + P<0.01 –4.1** 4.3** 1.4** 6.9** 0.66 416.77
NJRIKY y = 1 2 312.7 32.7 25.8 0.9e x x x− + + P<0.01 32.7** 25.8** 0.9** 12.7** 0.78 192.52
x1: 开花期冠层 NDVI; x2: 结荚期冠层 NDVI; x3: 鼓粒期冠层 NDVI。
x1: NDVI at flowering stage; x2: NDVI at podding stage; x3: NDVI at seed-filling stage.

表 7 不同试验模型检验
Table 7 Model validation in different experiments
建模材料
Material
回归方程
Regression equation
验证试验产量变幅
Yield range for validation (kg hm–2)
符合度
Goodness of fit
SE
2011–2012育种品系 All breeding lines y = 31 2 1.46.9 4.1 4.3e xx x +− + NJRIKY, 1730.0–4613.3 0.59 438.13
NJRIKY y = 31 2 0.912.7 32.7 25.8e xx x +− + All breeding lines, 750.0–4456.3 0.12 2053.58


图 1 多生育期大豆冠层 NDVI与产量回归模型的投影图
Fig. 1 Projection graph of regression model between canopy
NDVI combined different growth stages and yield in soybean
x1: 开花期冠层 NDVI; x2: 结荚期冠层 NDVI;
x3: 鼓粒期冠层 NDVI。
x1: NDVI at flowering stage; x2: NDVI at podding stage;
x3: NDVI at seed-filling stage.

效果最好, 该模型决定系数(R2 = 0.66)较大, 所建模
型可以估测产量的变异范围最广(750.0~4456.3 kg
hm–2), 生育期变异范围最广(93.0~117.0 d), 模型验
证结果也较好。因此, 确定该模型为采用主动传感

图 2 大豆预测产量和实际产量的散点图
Fig. 2 Scatter plot between estimated and measured yield of
soybean

器GreenSeeker估测大豆产量的最佳模型, 可望用作
大规模育种试验中品系产量预测的模型, 在预测的
基础上收获前对品系做出预选。
3 讨论
已有研究表明冠层植被指数的变化与作物生长
状况和发育时期关系紧密[11-12,23]。本试验针对 2011
第 4期 张 宁等: 应用主动传感器 GreenSeeker估测大豆籽粒产量 665


和 2012年的 5个试验, 选择大豆关键生育期(苗期、
开花期、结荚期和鼓粒期), 测定冠层 NDVI, 并分
析了大豆生育进程中冠层 NDVI 值的变化趋势。
王磊等 [24]利用 GreenSeeker获取的小麦冠层 NDVI
均随生育进程表现为先升高后下降的变化趋势。
本研究结果表明 , 大豆冠层 NDVI 随生育期的推
进均呈现“低—高—低”变化趋势 , 与前人研究具
有相似的结果。
已有研究表明, 利用冠层植被指数可以间接估
算作物的产量[25-30]。本研究将 2011—2012年所有试
验材料归为两大类, 分别为育种材料和遗传材料。
这样以育种材料为建模数据, 增大了样本容量以及
样本数据所涵盖的变异范围, 使其所建模型更具普
适性和代表性。2011—2012 年育种品系材料基于 3
个生育期(开花期、结荚期和鼓粒期)冠层 NDVI所建
的多元回归模型表现较好 , 其模型的决定系数(R2)
可达到 0.66。用 NJRIKY 群体检验育种品系材料模
型的效果, 大豆产量预测值与实测值之间的符合度
可达到 0.59, 说明所建模型具有一定的预测效果。
本文主旨是探寻一种可在大豆育种程序中期
预测产量的间接工具, 以降低育种成本, 缩短育种
时间。面对大豆育种程序中期数以千计的育种品系,
所建预测模型的决定系数如果达到 0.6 以上, 就可
以对大豆产量进行定性分析。尽管本研究所建模型
的决定系数不高(R2 = 0.66), 对大豆产量性状不能
实现定量化预测 , 但可以对大豆产量进行定性分
析 , 遴选出一定比例的高产品系 , 这对于大豆规
模化育种来说尤为重要。大规模育种试验中期参
试材料成千上万 , 不设重复 , 这时利用冠层植被
指数间接估算家系产量 , 可以帮助做初选 , 田间
淘汰一部分 , 减少收获工作量 , 提高工作效率。育
种试验后期通常依靠严格的产量比较试验做决选 ,
但利用冠层植被指数 , 可以帮助做好收获前的辅
助选择和备收工作。
鉴于冠层 NDVI的估产模型与作物品种、株型、
密度、肥水等条件相关, 受环境影响变化明显[24], 基
于主动传感器获取冠层 NDVI 对于大豆产量估测具
有重要的指导意义, 但本研究采用的主动传感器由
于受光谱波段的限制, 对大豆产量估测的精度有一
定的影响。为了进一步提高估产模型的预测性和准
确性, 我们将针对大量的田间育种品系, 利用高光
谱技术提取大豆产量性状的核心波段和敏感光谱参
数, 建立预测性和稳定性更好的估产模型, 为开发
适合大豆估产的便携式主动传感器提供技术支持 ,
从而提高产量估测精度及育种选择效率。
4 结论
利用主动传感器 GreenSeeker 获取单一生育期
冠层 NDVI 以估测大豆产量, 鼓粒期的估产效果明
显优于苗期、开花期和结荚期。基于 2011—2012年
育种品系材料综合开花期、结荚期和鼓粒期 3 个生
育期的冠层 NDVI 所建的多元回归模型 y =
1 2 34.3 1.46.9 4.1e x xx + +− (R2 = 0.66, SE = 416.77), 可估测的
产量和生育期变异范围广 (750.0~4456.3 kg hm–2,
93.0~117.0 d)。用 NJRIKY群体检验所获模型, 预测
值与实测值之间的符合度可达到 0.59, 且标准误较
小(SE = 438.13 kg hm–2)。所建模型具有一定的预测
效果, 在规模化育种中可用于育种中期无重复试验
的产量预测和初步选择。
References
[1] Wilcox J R. World distribution and trade of soybean. In: Soy-
beans: Improvement, Production and Uses, 3rd edn. Madison:
American Society of Agronomy Press, 2004. pp 1–13
[2] Clake E J, Wiseman J. Developments in plant breeding for im-
proved nutritional quality of soybean: I. Protein and amin acids
content. Agric Sci, 2000, 134: 111–124
[3] Frideman M, Brandon D L. Nutritional and health benefits of
soybean proteins. Agric Food Chem, 2001, 49: 1069–1086
[4] Tennakoon S B, Murty V V N, Eiumnoh A. Estimation of
cropped area and grain yield of rice using remote sensing data.
Int J Remote Sens, 1992, 13: 426–439
[5] Trishchenko A P. Effects of spectral response function on surface
reflectance and NDVI measured with moderate resolution satel-
lite sensors: extension to AVHRR NOAA-17, 18 and METOP-A.
Remote Sens Environ, 2009, 113: 335–341
[6] Hansen P M, Schjoerring J K. Reflectance measurement of can-
opy biomass and nitrogen status in wheat crops using normalized
difference vegetation indices and partial least squares regression.
Remote Sens Environ, 2003, 86: 542–553
[7] Aparicio N, Villegas D, Casadesus J, Araus J L, Royo C. Spectral
vegetation indices as nondestructive tools for determining durum
wheat yield. Agron J, 2000, 92: 83–91
[8] Soenen S A, Peddle D R, Hall R J, Coburn C A, Hall F G. Esti-
mating aboveground forest biomass from canopy reflectance
model inversion in mountainous terrain. Remote Sens Environ,
2010, 114: 1325–1337
[9] Gianquinto G, Orsini F, Fecondini M, Mezzetti M, Sanbo P, Bona
S. A methodological approach for defining spectral indices for
assessing tomato nitrogen status and yield. Eur J Agron, 2011, 35:
135–143
[10] 吴琼, 齐波, 赵团结, 姚鑫锋, 朱艳, 盖钧镒. 高光谱遥感估
测大豆冠层生长和籽粒产量的探讨 . 作物学报 , 2013, 39:
309–318
666 作 物 学 报 第 40卷


Wu Q, Qi B, Zhao T J, Yao X F, Zhu Y, Gai J Y. A tentative study
on utilization of canopy hyperspectral reflectance to estimate
canopy growth and seed yield in soybean. Acta Agron Sin, 2013,
39: 309–318 (in Chinese with English abstract)
[11] Mkhabela M S, Bullock P, Raj S, Wang S, Yang Y. Crop yield
forecasting on the Canadian Prairies using MODIS NDVI data.
Agric For Meteorol, 2011, 115: 385–393
[12] Hasegawa K, Matsuyama H, Tsuzuki H, Sweda T. Improving the
estimation of leaf area index by using remotely sensed NDVI
with BRDF signatures. Remote Sens Environ, 2010, 114:
514–519
[13] William R R, Gordon V J. Improving nitrogen use efficiency
forcereal production. Agron J, 1999, 91: 357–363
[14] 吴军华, 岳善超, 侯鹏, 孟庆峰, 崔振领, 李雯, 陈新平. 基于
主动遥感的冬小麦群体动态监测. 光谱学与光谱分析, 2011,
31: 535–538
Wu J H, Yue S C, Hou P, Meng Q F, Cui Z L, Li W, Chen X P.
Monitoring winter wheat population dynamics using an active-
crop sensor. Spectrosc Spectr Anal, 2011, 31: 535–538 (in Chi-
nese with English abstract)
[15] 谭昌伟, 王纪华, 朱新开, 王妍, 王君婵, 童璐, 郭文善. 基于
LandsatTM 影像的冬小麦拔节期主要长势参数遥感监测. 中国
农业科学, 2011, 44: 1358–1366
Tan C W, Wang J H, Zhu X K, Wang Y, Wang J C, Tong L, Guo
W S. Monitoring main growth status parameters at jointing stage
in winter wheat based on LandsatTM images. Sci Agric Sin, 2011,
44: 1358–1366 (in Chinese with English abstract)
[16] 冯美臣, 肖璐洁, 杨武德, 丁光伟. 基于遥感数据和气象数据
的水旱地冬小麦产量估测 . 农业工程学报 , 2010, 26(11):
183–188
Feng M C, Xiao L J, Yang W D, Ding G W. Predicting grain yield
of irrigation-land and dry-land winter wheat based on remote-
sensing data and meteorological data. Trans CSAE, 2010, 26(11):
183–188 (in Chinese with English abstract)
[17] Reyniers M, Vrindts E, Baerdemaeker J D. Comparison of an ae-
rialbased system and an on the ground continuous measuring de-
vice to predict yield of winter wheat. Eur J Agron, 2006, 24:
87–94
[18] Erdle K, Mistele B, Schmidhalter U. Comparison of active and
passive spectral sensors in discriminating biomass parameters and
nitrogen status in wheat cultivars. Field Crops Res, 2011, 124:
74–84
[19] Raun W R, Solie J B, Stone M L, Martin K L, Freeman K W,
Mullen R W, Zhang H, Schepers J S, Johnson G V. Optical sen-
sor-based algorithm for crop nitrogen fertilization. Commun Soil
Sci Plant Anal, 2005, 36, 2759–2781
[20] Thomason W E, Phillips S B, Raymond F D. Defining useful
limits for spectral reflectance measures in corn. J Plant Nutr,
2007, 30: 1263–1277
[21] Inman D, Khosla R, Reich R M, Westfall D G. Active remote
sensing and grain yield in irrigated maize. Precision Agric, 2007,
8: 241–252
[22] Phillips S B, Keahey D A, Warren J G, Mullins G L. Estimating
winter wheat tiller density using spectral reflectance sensors for
early-spring, Variable-Rate Nitrogen Applications. Agron J, 2004,
96: 591–600
[23] Aboelghar M, Arafat S, Saleh A, Naeemb S, Shirbeny M, Belal A.
Retrieving leaf area index from SPOT4 satellite data. Egypt J
Remote Sens Space Sci, 2010, 13: 121–127
[24] 王磊, 白由路, 卢艳丽, 王贺, 杨俐苹. 基于 GreenSeeker的冬
小麦 NDVI分析与产量估算. 作物学报, 2012, 38: 747–753
Wang L, Bai Y L, Lu Y L, Wang H, Yang L P. NDVI analysis
and yield estimation in winter wheat based on GreenSeeker.
Acta Agron Sin, 2012, 38: 747–753 (in Chinese with English
abstract)
[25] Ferrio J P, Villegas D, Zarco J, Aparicio N, Araus J L, Royo C.
Assessment of durum wheat yield using visible and near-infrared
reflectance spectra of canopies. Field Crops Res, 2005, 94:
126–148
[26] Pinter P J, Jackson R D, Idso S B, Reginato R J. Multidate spec-
tral reflectance as predictors of yield in water stressed wheat and
barley. Int J Remote Sens, 1981, 2: 43–48
[27] Mahey R K, Singh R, Sidhu S S, Narang R S. The use of remote
sensing to assess the effects of water stress on wheat. Exp Agric,
1991, 27: 423–429
[28] Lukina E V, Freeman K W, Wynn K J, Thomason W E, Mullen R
W, Stone M L, Solie J B, Klatt A R, Johnson G V, Elliott R L,
Raun W R. Nitrogen fertilization optimization algorithm based on
in-season estimates of yield and plant nitrogen uptake. J Plant
Nutr, 2001, 24: 885–898
[29] Raun W R, Johnson G V, Stone M L, Solie J B, Lukina E V,
Thomason W E, Schepers J S. In-season prediction of potential
grain yield in winter wheat using canopy reflectance. Agron J,
2001, 93: 131–138
[30] Hansen P M, Jorgensen J R, Thomsen A. Predicting grain yield
and protein content in winter wheat and spring barley using re-
peated canopy reflectance measurements and partial least squares
regression. J Agric Sci, 2002, 139: 307–318